CN110839519A - 一种基于深度学习的物联网智能的农业灌溉装置和方法 - Google Patents

Abstract

本发明属于农业技术领域，具体为一种基于深度学习的物联网智能的农业灌溉装置和方法,包括中央处理装置、土壤湿度传感器、喷灌装置、图像采集装置、气象采集传感器、第一数据汇聚模块、第二数据汇聚模块、第三数据汇聚模块、SVM分类模块、预处理模块以及基于深度学习的神经网络模块，本发明通过物联网装置采集土壤信息，环境信息与农作物信息，通过对农作物采用深度学习的方法进行识别，判断作物类别、所处生长阶段、是否有缺水迹象以及缺水程度，结合每种作物在不同生长阶段的水分需求采取相应的灌溉策略，对不同作物选择适宜的灌溉方式，能够更好的促进作物生长，做到科学灌溉。

Description

一种基于深度学习的物联网智能的农业灌溉装置和方法

技术领域

本发明属于农业技术领域，具体为一种基于深度学习的物联网智能的农业灌溉装置和方法。

背景技术

物联网是新一代信息技术的重要组成部分，也是“信息化”时代的重要发展阶段。顾名思义，物联网就是物物相连的互联网。这有两层意思：其一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；其二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信，也就是物物相息。物联网通过智能感知、识别技术与普适计算等通信感知技术，广泛应用于网络的融合中，也因此被称为继计算机、互联网之后世界信息产业发展的第三次浪潮。物联网是互联网的应用拓展，与其说物联网是网络，不如说物联网是业务和应用。因此，应用创新是物联网发展的核心，以用户体验为核心的创新2.0是物联网发展的灵魂。

农业问题是全球可持续发展的基本问题，也是一个国家的基本产业。我国是一个人口众多，耕地面积不足，人均粮食产量较低的国家，农业的经营手段至今还没有完全摆脱传统的手工劳作方式，存在着经营规模小、技术含量低、投入与产出不合理等不利因素，严重地制约了农业的发展，如果想在现有基础上使我国农业有较大的发展，必须依靠科技进步，必须增加农业的科技含量，使用高新技术对传统农业进行彻底改造。在智能化高速发展的今天，精细农业成为新世纪农业发展的新潮流，农业智能化也成为当今一个很重要的课题，如何能够及时准确的对农田进行灌溉是当前面临的一个关键性问题，现有的技术通过在农田里面设置传感器的方式采集土壤湿度信息，通过传感器反馈的土壤湿度信息控制灌溉装置进行灌溉，但是农田里面有时候划分了不同的区域，每个区域种植的农作物并不相同，不同的农作物对土壤湿度的要求也不同，同样的土壤湿度条件下，有可能一种农作物需要灌溉，另一种农作物就不需要灌溉，所以只是通过土壤湿度信息进行判断是否灌溉农田就会以偏概全，所以需要一种基于深度学习的物联网智能的农业灌溉装置和方法解决上述问题。

发明内容

本发明目的在于提供一种基于深度学习的物联网智能的农业灌溉装置和方法，用于解决现有的技术通过在农田里面设置传感器的方式采集土壤湿度信息，通过传感器反馈的土壤湿度信息控制灌溉装置进行灌溉，但是农田里面有时候划分了不同的区域，每个区域种植的农作物并不相同，不同的农作物对土壤湿度的要求也不同，同样的土壤湿度条件下，有可能一种农作物需要灌溉，另一种农作物就不需要灌溉，所以只是通过土壤湿度信息进行判断是否灌溉农田就会以偏概全的问题。

为实现上述目的，本发明所采用的技术方案是：

一种基于深度学习的物联网智能的农业灌溉装置，包括中央处理装置、土壤湿度传感器、喷灌装置、图像采集装置、气象采集传感器、第一数据汇聚模块、第二数据汇聚模块、第三数据汇聚模块、SVM分类模块、预处理模块以及基于深度学习的神经网络模块；

所述气象采集传感器的输出端与所述第一数据汇聚模块的输入端连接，用于将采集空气温度、空气相对湿度、光辐射强度、风速、雨量与饱和水汽压值的信息传输到第一数据汇聚模块；

所述土壤湿度传感器的输出端与所述第二数据汇聚模块的输入端连接，用于将土壤湿度信息传输到第二数据汇集模块；

所述图像采集装置的输出端与所述第三数据汇聚模块的输入端连接，用于将采集的所有农作物的图像信息传输到第三数据汇聚模块；

所述第三数据汇聚模块的输出端与所述SVM分类模块的输入端连接，所述SVM分类模块用于识别判断农作物类别以及所处生长阶段；

所述第一数据汇聚模块的输出端、第二数据汇聚模块的输出端、SVM分类模块的输出端均与所述预处理模块的输入端连接，用于得到农田农作物的多时相多特征数据集；

所述预处理模块的输出端与所述基于深度学习的神经网络模块的输入端连接，通过训练后的神经网络模型对每种农作物的生长特征图进行识别，得到相应的喷灌控制方案；

所述基于深度学习的神经网络模块的输出端与所述中央处理装置的输入端连接，所述中央处理装置的输出端与所述喷灌装置连接；中央处理装置通过基于深度学习的神经网络模块反馈的相应的喷灌控制方案控制喷灌装置完成相应的喷灌工作。

优选的，所述喷灌装置包括灌溉喷头，所述灌溉喷头与所述进水管通过所述旋转机构连接，所述进水管设置有缓阻套，所述缓阻套上可拆卸连接有支撑柱；所述支撑柱底端设置为锥形。

通过采用上述技术方案，需要使用喷灌装置的时候，将支撑柱底端插入泥土当中，支撑柱有三个，稳定性高，灌溉喷头可以360度旋转，扩大了灌溉了范围。

优选的，所述支撑柱与所述缓阻套之间设置有拆装箱，所述支撑柱的顶端贯穿拆装箱并延伸至拆装箱的内腔，所述支撑柱内腔的顶部和底部之间固定连接有隔板，并且隔板的两侧均固定连接有第一弹簧，所述第一弹簧远离隔板的一端固定连接有卡块，所述卡块的一侧依次贯穿支撑柱和卡箱并延伸至卡箱的内腔，所述卡箱内腔的顶部和底部之间通过滑块滑动连接有压杆，所述压杆的一端依次贯穿卡箱和拆装箱并延伸至拆装箱的外部。

优选的，所述支撑柱底端侧壁设置有踏板。

优选的，所述进水管底端设置有进水口。

优选的，所述灌溉喷头的内部固定连接有调节阀。

本发明的有益技术效果是：本发明通过物联网装置采集土壤信息，环境信息与农作物信息，通过对农作物采用深度学习的方法进行识别，判断作物类别、所处生长阶段、是否有缺水迹象以及缺水程度，结合每种作物在不同生长阶段的水分需求采取相应的灌溉策略，对不同作物选择适宜的灌溉方式，能够更好的促进作物生长，做到科学灌溉。

附图说明

图1显示为本发明预处理模块结构示意图；

图2显示为本发明的装置结构示意图；

图3显示为本发明喷灌装置的立体结构示意图；

图4显示为本发明喷灌装置的A处放大结构示意图；

图5显示为本发明的方法流程图。

具体实施方式

下面结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

一种基于深度学习的物联网智能的农业灌溉装置，包括中央处理装置、土壤湿度传感器、喷灌装置、图像采集装置、气象采集传感器、第一数据汇聚模块、第二数据汇聚模块、第三数据汇聚模块、SVM分类模块、预处理模块以及基于深度学习的神经网络模块；

所述气象采集传感器的输出端与所述第一数据汇聚模块的输入端连接，用于将采集空气温度、空气相对湿度、光辐射强度、风速、雨量与饱和水汽压值的信息传输到第一数据汇聚模块；

所述土壤湿度传感器的输出端与所述第二数据汇聚模块的输入端连接，用于将土壤湿度信息传输到第二数据汇集模块；

所述图像采集装置的输出端与所述第三数据汇聚模块的输入端连接，用于将采集的所有农作物的图像信息传输到第三数据汇聚模块；

所述第三数据汇聚模块的输出端与所述SVM分类模块的输入端连接，所述SVM分类模块用于识别判断农作物类别以及所处生长阶段；

所述第一数据汇聚模块的输出端、第二数据汇聚模块的输出端、SVM分类模块的输出端均与所述预处理模块的输入端连接，用于得到农田农作物的多时相多特征数据集；

所述预处理模块的输出端与所述基于深度学习的神经网络模块的输入端连接，通过训练后的神经网络模型对每种农作物的多时相多特征数据集进行识别，得到相应的喷灌控制方案；

所述基于深度学习的神经网络模块的输出端与所述中央处理装置的输入端连接，所述中央处理装置的输出端与所述喷灌装置连接；中央处理装置通过基于深度学习的神经网络模块反馈的相应的喷灌控制方案控制喷灌装置完成相应的喷灌工作。

需要说明的是，喷灌控制方案包括对缺水的农作物进行喷灌的时间和喷出的水流量。

需要说明的是，所述喷灌装置包括灌溉喷头1，所述灌溉喷头1与所述进水管2通过所述旋转机构4连接，所述进水管2设置有缓阻套12，所述缓阻套12上可拆卸连接有支撑柱3；所述支撑柱3底端设置为锥形。

进一步的，所述支撑柱3与所述缓阻套12之间设置有拆装箱13，所述支撑柱3的顶端贯穿拆装箱13并延伸至拆装箱13的内腔，所述支撑柱3内腔的顶部和底部之间固定连接有隔板11，并且隔板11的两侧均固定连接有第一弹簧10，所述第一弹簧10远离隔板11的一端固定连接有卡块9，所述卡块9的一侧依次贯穿支撑柱3和卡箱8并延伸至卡箱8的内腔，所述卡箱8内腔的顶部和底部之间通过滑块滑动连接有压杆7，所述压杆7的一端依次贯穿卡箱8和拆装箱13并延伸至拆装箱13的外部，需要对支撑柱3进行拆卸的时候，只需要按压压杆7，压杆7推动卡块9朝着隔板11运动，当卡块9运动到合适的距离，就可以将支撑柱从拆装箱13内退出。

需要说明的是，喷灌装置按照农作物的种类对应设置有多组，每种农作物附近都设置有灌溉装置。

需要说明的是，所述支撑柱底端侧壁设置有踏板5，通过踏板5能够方便使用者将支撑柱踩入泥土中。

需要说明的是，所述进水管2底端设置有进水口6，通过进水口6连接水管。

需要说明的是，所述灌溉喷头1的内部固定连接有调节阀，调节阀调节阀又名控制阀，在工业自动化过程控制领域中，通过接受调节控制单元输出的控制信号，借助动力操作去改变介质流量、压力、温度、液位等工艺参数的最终控制元件，一般由执行机构和阀门组成，本实施例所用的调节阀为电动调节阀，中央处理装置通过传递给电动调节阀信息控制喷灌的流量大小。

实施例2：

一种基于深度学习的物联网智能的农业灌溉方法，包括以下步骤：

S1、通过气象采集传感器采集空气温度、空气相对湿度、光辐射强度、风速、雨量与饱和水汽压值的信息，通过土壤信息传感器采集土壤湿度信息，通过图像采集装置采集所有农作物的图像信息；

S2、将气象采集传感器采集到的各种信息传输到第一数据汇聚模块，将土壤信息传感器采集到的信息传输到第二数据汇集模块；将图像采集装置采集到的信息传输到第三数据汇集模块；

S3、将第三数据汇聚模块的信息传输到SVM分类模块，SVM分类模块用于识别判断农作物类别以及所处生长阶段；

S4、将第一数据汇聚模块的信息、第二数据汇集模块的信息与SVM分类模块的信息输入到预处理模块，通过预处理得到农田农作物的多时相多特征数据集；

S5、采用深度学习的方法，通过对不同类别、不同生长阶段、不同缺水程度的作物图片的训练学习得到作物生成分析神经网络模型，将预处理后的农作物的多时相多特征数据集输入所述作物生长分析神经网络模型，得到相应的喷灌控制方案；

S6、将相应的喷灌控制方案传输到中央处理装置，通过中央处理装置控制相应的喷灌装置完成相应的喷灌工作。

需要说明的是，喷灌控制方案包括对缺水的农作物进行喷灌的时间和喷出的水流量，通过中央处理装置控制喷灌装置的调节阀打开的时间和打开的程度实现。

在训练之前，需要新构建一个初始化卷积神经网络模型，该初始化卷积神经网络模型是包含L个隐藏层的深层卷积神经网络模型，L≥1。卷积网络模型一般由卷积层(convolutional layer，C)、池化层(pooling layer，D)、全连接层(full-connectedlayer，FC)构成，其中的每层由多个二维平面组成，而每个平面又由多个独立神经元组成。

本实施例建立的初始化卷积神经网络模型包含输入层、卷积层、池化层和全连接层；具体结构可以设置成其隐藏层中第一层为输入层，第二层为第一卷积层，第三层为池化层，第四层为第二卷积层，并且在每层之间通过全连接层进行连接。其中，输入层接收训练多时相多特征数据集，即输入数据；第一卷积层和第二卷积层如上所述可产生特征图像；池化层也如上所述可实现局部平均和抽样；全连接层也如上所述可以将其连接的上一层输出的多维特征向量转换为一维向量，实现输入影像的逐像元分类。并设置第一卷积层的特征图个数为m，卷积核大小为k×k，卷积步长为s1；池化层设置采用最大降采样法处理图像数据，其降采样窗口大小为n×n，卷积步长为s2；设置第二卷积层的特征图个数为m，卷积核大小为k×k，卷积步长为s3；m、m、k、和k的取值均是大于等于1的自然数，s1≥0、s2≥0、s3≥0,

将多时相多特征数据集作为训练数据，输入构建的初始化卷积神经网络模型中，然后通过前向传播算法逐层提取特征，提高初始化卷积神经网络模型对进一步农作物图像特征的识别度；并计算初始化卷积神经网络模型的训练输出类别。具体训练方式可以是通过前向传播算法对初始化卷积神经网络模型的权重矩阵W的参数和偏差向量b的参数进行随机初始化，然后计算在当前参数条件下对输入数据进行处理后，该初始化卷积神经网络模型得到的实际输出类别，即训练输出类别；然后再根据该训练输出类别调整权重矩阵W和偏差向量b的参数。

根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数。

所述标记类别是用户确定的该训练多时相多特征数据集真实的类别，并将其设定成该训练多时相多特征数据集数据的标记类别。在获取初始化卷积神经网络模型的训练输出类别后，计算该训练输出类别和标记类别的误差，然后再根据该误差调整该初始化卷积神经网络模型的权重矩阵W和偏差向量b的参数，以减小训练输出类别和和标记类别之间的误差。

对所述初始化卷积神经网络模型进行循环训练和参数调整，获取训练完成的卷积神经网络模型，在训练过程中循环执行“输入训练数据-获取初始化卷积神经网络模型的训练输出类别-获取训练输出类别和标记类别的误差-根据该误差调整权重矩阵W和偏差向量b的参数”这些步骤，对初始化卷积神经网络模型进行循环训练及多次参数调整，当训练输出类别和和标记类别之间的误差减小到最小值时，最终即可获得最优化的卷积神经网络模型，即训练完成的卷积神经网络模型。

所述训练完成的卷积神经网络模型是通过对多时相多特征数据集进行循环训练和参数调整后得到的卷积神经网络模型，其可以描述图像的复杂信息，获得鲁棒性的图像识别和分类结果。该训练完成的卷积神经网络模型可以对将待测多时相多特征数据集进行快速识别，准确地提取出其中不同种类农作物不同生长阶段的信息，进而输出准确的灌溉方案。

本发明中卷积神经网络模型采用的训练数据集相比于现有技术来说更加丰富，是多特征多维度的数据，充分考虑到了农作物-环境-土壤的全部信息，从而输出准确的灌溉方案。

其中，中央处理装置对若干个灌溉装置中的调节阀控制采用的是分程控制方式，分程控制是将控制器输出信号全程分割成若干个信号段，每个信号段控制一个控制阀，每个控制阀仅在控制器输出信号整个范围的某段内工作，它主要用于带有逻辑关系的多种控制手段而又具有同一控制目的的系统中，是为协调不同控制手段的动作逻辑而设计的。

需要说明的是，通过神经网络深度学习以后的灌溉装置，能够识别不同种类农作物在不同生长时期需要的土壤湿度，从而将信息传递给中央处理装置，通过中央处理装置控制喷灌装置进行精准浇灌，浇灌后的土壤湿度增大，通过土壤湿度传感器反馈土壤湿度信息给中央处理装置，土壤湿度能够满足该种农作物的生长时停止浇灌。

实施例3：

为了保证消费者可以看到农作物的实时数据，使得消费者对食品安全放心，在上述实施例的基础之上，还设置有区块链存储节与区块链共享模块，区块链存储节包括数据层、网络层、共识层、交互层与应用层。

数据层用于将连接设备采集的信息进行封装，并同时对采集的信息进行加密以及添加时间戳，网络层用于对农作物区块链进行封装，并通过信息传播机制和信息验证机制保证信息的安全，共识层用于封装农作物区块链的区域信息，对读取的信息进行记录，作为信息复制、写入、读出、修改、删除的历史凭证，交互层采用基于Node-JS的Sails框架，以Restful-API的形式为农作物区块链提供与物联网的交互服务，应用层用于封装信息输入输出接口和读写权限控制接口。应用层通过信息输入输出接口和读写权限控制接口，应用层通过信息输入输出接口和读写权限控制接口与连接设备间接连接，连接设备包括用于信息采集的传感器节点，传感器节点内设有计时器、湿度传感器、GPS、农药残余量检测传感器中的一种或多种。

区块链共享模块包括建立农作物数据分区块链，将获得密钥后数据信息广播至农作物数据分区块链中；建立收购方分区块链，收购方验证身份以及收购仓库位置信息并将身份信息以及仓库位置信息广播至收购方分区块链；建立农作物交易全区块链，通过共识网络将收购方分区块链与农作物数据分区块链衔接并建立农作物交易全区块链，从而第三方可以通过访问交易全区块链获得农作物的相关数据信息。

在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

Claims (7)

1.一种基于深度学习的物联网智能的农业灌溉装置，其特征在于，包括中央处理装置、土壤湿度传感器、喷灌装置、图像采集装置、气象采集传感器、第一数据汇聚模块、第二数据汇聚模块、第三数据汇聚模块、SVM分类模块、预处理模块以及基于深度学习的神经网络模块；

所述气象采集传感器的输出端与所述第一数据汇聚模块的输入端连接，用于将采集空气温度、空气相对湿度、光辐射强度、风速、雨量与饱和水汽压值的信息传输到第一数据汇聚模块；

所述土壤湿度传感器的输出端与所述第二数据汇聚模块的输入端连接，用于将土壤湿度信息传输到第二数据汇集模块；

所述图像采集装置的输出端与所述第三数据汇聚模块的输入端连接，用于将采集的所有农作物的图像信息传输到第三数据汇聚模块；

所述第三数据汇聚模块的输出端与所述SVM分类模块的输入端连接，所述SVM分类模块用于识别判断农作物类别以及所处生长阶段；

所述第一数据汇聚模块的输出端、第二数据汇聚模块的输出端、SVM分类模块的输出端均与所述预处理模块的输入端连接，用于得到农田农作物的多时相多特征数据集；

所述预处理模块的输出端与所述基于深度学习的神经网络模块的输入端连接，通过训练后的神经网络模型对每种农作物的生长特征图进行识别，得到相应的喷灌控制方案；

所述基于深度学习的神经网络模块的输出端与所述中央处理装置的输入端连接，所述中央处理装置的输出端与所述喷灌装置连接；中央处理装置通过基于深度学习的神经网络模块反馈的相应的喷灌控制方案控制喷灌装置完成相应的喷灌工作。

2.根据权利要求1所述的一种基于深度学习的物联网智能的农业灌溉装置，其特征在于，所述喷灌装置包括灌溉喷头(1)，所述灌溉喷头(1)与所述进水管(2)通过所述旋转机构(4)连接，所述进水管(2)设置有缓阻套(12)，所述缓阻套(12)上可拆卸连接有支撑柱(3)；所述支撑柱(3)底端设置为锥形。

3.根据权利要求2所述的一种基于深度学习的物联网智能的农业灌溉装置，其特征在于，所述支撑柱(3)与所述缓阻套(12)之间设置有拆装箱(13)，所述支撑柱(3)的顶端贯穿拆装箱(13)并延伸至拆装箱(13)的内腔，所述支撑柱(3)内腔的顶部和底部之间固定连接有隔板(11)，并且隔板(11)的两侧均固定连接有第一弹簧(10)，所述第一弹簧(10)远离隔板(11)的一端固定连接有卡块(9)，所述卡块(9)的一侧依次贯穿支撑柱(3)和卡箱(8)并延伸至卡箱(8)的内腔，所述卡箱(8)内腔的顶部和底部之间通过滑块滑动连接有压杆(7)，所述压杆(7)的一端依次贯穿卡箱(8)和拆装箱(13)并延伸至拆装箱(13)的外部。

4.根据权利要求2所述的一种基于深度学习的物联网智能的农业灌溉装置，其特征在于，所述支撑柱底端侧壁设置有踏板(5)。

5.根据权利要求2所述的一种基于深度学习的物联网智能的农业灌溉装置，其特征在于，所述进水管(2)底端设置有进水口(6)。

6.根据权利要求2所述的一种基于深度学习的物联网智能的农业灌溉装置，其特征在于，所述灌溉喷头(1)的内部固定连接有调节阀。

7.一种基于深度学习的物联网智能的农业灌溉方法，其特征在于，包括以下步骤：

S1、通过气象采集传感器采集空气温度、空气相对湿度、光辐射强度、风速、雨量与饱和水汽压值的信息，通过土壤信息传感器采集土壤湿度信息，通过图像采集装置采集所有农作物的图像信息；

S2、将气象采集传感器采集到的各种信息传输到第一数据汇聚模块，将土壤信息传感器采集到的信息传输到第二数据汇集模块；将图像采集装置采集到的信息传输到第三数据汇集模块；

S3、将第三数据汇聚模块的信息传输到SVM分类模块，SVM分类模块用于识别判断农作物类别以及所处生长阶段；

S4、将第一数据汇聚模块的信息、第二数据汇集模块的信息与SVM分类模块的信息输入到预处理模块，通过预处理得到农田农作物的多时相多特征数据集；

S5、采用深度学习的方法，通过对不同类别、不同生长阶段、不同缺水程度的作物图片的训练学习得到作物生成分析神经网络模型，将预处理后的农作物的多时相多特征数据集输入所述作物生长分析神经网络模型，得到相应的喷灌控制方案；

S6、将相应的喷灌控制方案传输到中央处理装置，通过中央处理装置控制相应的喷灌装置完成相应的喷灌工作。

Images